Detecção de anomalias de código usando métricas de software

• Autor(a) principal: Juliana Padilha
• Data de Publicação: 2013
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/ESBF-97CNV4
• topic: Métricas de software; Anomalias de código; Separação de interesse; Computação; Engenharia de software

Métricas são tradicionalmente utilizadas para avaliar a qualidade e manutenibilidade do software, apoiando a identificação de anomalias no código. Recentemente, métricas de interesse foram propostas com este objetivo. Um interesse é algo que se queira tratar como uma unidade conceitual modular, como requisitos funcionais e não funcionais e idiomas de programação. Enquanto as métricas tradicionais quantificam as propriedades de módulos, as métricas de interesse quantificam propriedades de interesse, tais como espalhamento e entrelaçamento. Apesar das métricas de interesse já terem sido utilizadas em estudos experimentais, ainda falta conhecimento empírico quanto à sua eficácia na identificação de anomalias de código. Esta dissertação investiga se métricas de interesse podem fornecer indicadores úteis para a detecção de cinco anomalias de código: Divergent Change, Shotgun Surgery, God Class, Feature Envy e God Method. Para isso, foram realizados dois estudos experimentais. No primeiro estudo, utilizamos um conjunto de 54 participantes de duas instituições diferentes para detecção de trêsanomalias em classes em dois sistemas. No segundo estudo, baseado na detecção de anomalias em métodos, utilizamos um conjunto de 47 participantes de duas instituições com o objetivo de detectar casos de duas anomalias em um sistema. Em ambos os estudos, os participantes analisaram métricas tradicionais e de interesse para auxiliar nesta investigação. Os resultados indicaram que as métricas de interesse apoiam os desenvolvedores a detectar alguma destas anomalias de código. Por exemplo, os nossos resultados revelaram que a métrica Número de Interesse por Componente é uma boa indicadora para o Divergent Change. No entanto, uma análise conjunta das métricas tradicionais e de interesse muitas vezes é necessária para detectar God Class e o Shotgun Surgery. Em relação os resultados das anomalias em métodos, eles indicaram que a métrica NCO é uma boa indicadora para o God Method. Com base nos resultados destes dois estudos, realizamos a elaboração de método quantitativo apoiado por uma ferramenta para detectar automaticamente anomalias de código